[发明专利]基于卷积神经网络的SAR目标交互行为识别方法

权利要求书

1.一种基于卷积神经网络的SAR目标交互行为识别方法，其特征在于：所述方法包括以下步骤：

步骤1，采用Surendra背景更新算法从SAR图像序列中检测出运动目标所在的位置；

步骤2，用卷积神经网络识别运动目标类型，输入为运动目标图像，输出为该目标的类型；其中，采用的卷积神经网络模型共有8层，包括6个卷积层和2个全连接层，每2层卷积层叠加一个最大池化层，最后通过2个全连接层输出模型预测标签，使用ReLU激活函数，卷积层采用零填充技术，最大池化层使用重叠汇聚技术，第一层全连接层使用Dropout技术，并以0.5的概率随机将全连接层中神经元的输出值清零；

步骤3，提取运动目标交互行为中运动信息作为特征，构建目标的运动特征矩阵F_i^m，如下所示：

矩阵的每一行代表在第k帧中目标i的速度目标j的速度目标i与目标j间的距离目标i与目标j的运动速度之差k＝1,2,3,4......n，矩阵行数n表示选取的图像帧数；

步骤4，用卷积神经网络进行SAR目标交互行为类型识别，输入为运动特征矩阵F_i^m，输出为该交互行为的类型；其中，卷积神经网络模型共有4层，包含2个卷积层和2个全连接层，2个卷积层后接有池化层，采用最大池化，下采样窗口的大小取2×2，滑动步长取2，ReLU非线性激活函数作用于每层卷积层，Softmax非线性函数作用于第2个全连接层的输出节点，卷积层中卷积核的滑动步长全部取2，输入特征图的周围没有补零，两个全连接层隐含节点个数分别为128和4，Dropout正则化方法应用于第2个卷积层和第1层全连接层。

2.如权利要求1所述的一种基于卷积神经网络的SAR目标交互行为识别方法，其特征在于：所述步骤1中，采用Surendra背景更新算法从SAR图像序列中检测出运动目标所在的位置；

首先将交互行为序列的第1帧图像I₁作为背景B₁，选取阈值T，设定迭代次数初始值m＝1，最大迭代次数MAXSTEP，采用Surendra背景更新算法，对当前帧的帧差分图像|I_i-I_i-1|的像素值进行判断，对像素值小于阈值的位置替换更新：

B_i＝0.1*I_i(x,y)+(1-0.1)I_i-1(x,y) (1)

其中，B_i(x,y)为背景图像在(x,y)的灰度值，I_i(x,y)为输入的第i帧图像，I_i-1(x,y)为输入的第i-1帧图像，0.1为更新速度；

迭代次数m＝m+1，继续重复求帧差分图像，对差值图像的像素值进行判断和更新，当迭代次数达到MAXSTEP时结束迭代，此时B_i(x,y)当作背景图像；

将实时输入的交互行为的场景图像I_i(x,y)与构建好的背景模型B_i(x,y)进行差分，检测出目标所在的位置，基于背景差法的二值化图像描述为：

D_i(x,y)＝|I_i(x,y)-B_i(x,y)| (2)

其中，M_i(x,y)为坐标(x,y)的二值化像素值，(x,y)为二维图像的平面坐标；

对转换后的二值图像采用形态学除噪，滤除过小的目标；

在整个过程中，需要构建自适应的全局阈值T，即选择T的初始估计值，用阈值T将图像分割成G1与G2区域，并对区域G1和G2中的所有像素计算平均灰度值μ₁和μ₂，更新阈值T＝1/2(μ₁+μ₂)，直到逐次迭代所得到的T值之差的绝对值小于1。

3.如权利要求1所述的一种基于卷积神经网络的SAR目标交互行为识别方法，其特征在于：所述步骤3中，交互行为采用运动信息作为特征，个体目标的运动速度为：

v＝(P₂(x,y)-P₁(x,y))/(t₂-t₁) (4)

其中，P₂(x,y)与P₁(x,y)代表同一目标在时刻t₂和时刻t₁所在的位置，v为速度，是一向量值，包含了方向和大小；

两个目标之间的距离和运动速度之差为：

d＝||P_A(x,y)-P_B(x,y)|| (5)

v_d＝||v_A||-||v_B|| (6)

其中P_A(x,y)与P_B(x,y)代表目标A与目标B在同一时刻所在的位置，||P_A(x,y)-P_B(x,y)||代表目标A与目标B之间的距离绝对值，||v_A||与||v_B||代表目标A与目标B速度的大小；

利用上述3种不同的运动特征构建目标的运动特征矩阵F_i^m，如下所示：